{
  "id": "alphafold",
  "title": "AlphaFold",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "AlphaFold是一系列用于预测蛋白质三维结构及生物分子复合物结构的人工智能系统。",
  "category": "computer-science",
  "subcategory": "artificial-intelligence",
  "type": "product",
  "aliases": [],
  "generated_at": "2026-10-04",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/alphafold/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/alphafold/",
      "json": "https://aiwiki.page/en/alphafold.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "AlphaFold 是谷歌 DeepMind 开发的一系列人工智能系统，用于预测蛋白质的三维结构，后续版本还可预测生物分子复合物的结构。它利用深度学习，根据序列信息及其他输入推断分子的几何结构。AlphaFold 2 大幅提升了蛋白质结构预测的准确性，而 AlphaFold 3 则将这一方法扩展到包含蛋白质、核酸及其他分子组分的复合物。其输出是计算预测结果，而非通过实验测定的结构。(ebi.ac.uk)"
    },
    {
      "heading": "科学背景",
      "text": "蛋白质由一串氨基酸组成，但其生物活性在很大程度上取决于三维空间排列。X射线晶体学、冷冻电子显微术和核磁共振等实验技术能够提供结构信息。然而，经过实验表征的结构仅覆盖已知蛋白质序列中的一小部分，因此人们需要准确的计算模型。(nature.com)\n\n蛋白质结构预测与解释蛋白质折叠有关，但两者并不相同。预测系统可以估算蛋白质折叠后的结构，而不必重现蛋白质达到该状态所经历的一系列物理过程。因此，AlphaFold 并不模拟完整的折叠路径，也不能揭示折叠动力学的所有方面。其主要成就在于根据生物学信息推断结构。(ebi.ac.uk)"
    },
    {
      "heading": "发展历程与里程碑",
      "text": "第一代 AlphaFold 系统在 2018 年举行的蛋白质结构预测技术评估（CASP13）中取得了领先成绩。它利用人工神经网络预测氨基酸残基之间的几何关系，并以此指导三维模型的构建。CASP 将预测结果与实验测定的结构进行比较，而这些实验结构在评估时尚未向参赛预测者公开。(nature.com)\n\nAlphaFold 2 采用了经过大幅重新设计的架构，并在 2020 年的 CASP14 中展现出显著进步。在大多数受评估的案例中，其结果的准确性可与实验测定的结构相媲美。详细方法于 2021 年 7 月 15 日发表于《自然》，软件代码也同时发布。此后，AlphaFold-Multimer 对这一方法进行了调整，使其能够预测包含多条蛋白质链的组装体。(nature.com)\n\nAlphaFold 3 由谷歌 DeepMind 与 Isomorphic Labs 联合开发，相关论文于 2024 年 5 月 8 日发表于《自然》。2024 年 10 月，德米斯·哈萨比斯和约翰·江珀因在蛋白质结构预测方面的贡献，共同获得该年度诺贝尔化学奖的一半；另一半授予戴维·贝克，以表彰其在计算蛋白质设计方面的贡献。(nature.com)"
    },
    {
      "heading": "AlphaFold 2 的工作原理",
      "text": "AlphaFold 2 将机器学习与针对分子几何结构设计的表征相结合。其训练数据包括蛋白质数据库中通过实验测定的结构，以及大量序列信息。针对目标序列，其处理流程会搜索序列数据库，构建相关蛋白质的多序列比对，简称 MSA。这些序列之间呈现的模式能够提供与结构约束有关的信息。此前测定的结构也可用作模板。(nature.com)\n\n核心网络组件名为 Evoformer，负责在序列比对表征与残基对表征之间交换信息。它使用注意力机制处理这些关系。随后，结构模块生成三维主链，并确定氨基酸侧链的位置。系统并非只生成一次坐标，而是将中间表征和预测结构重新输入网络，通过这种“循环反馈”改进输出。这些计算迭代并不代表物理上的折叠轨迹。(nature.com)"
    },
    {
      "heading": "AlphaFold 3 与分子复合物",
      "text": "AlphaFold 3 可预测包含蛋白质、核酸、小分子、离子及修饰残基的整体结构。它支持的相互作用类型包括蛋白质与脱氧核糖核酸形成的复合物、蛋白质–RNA 复合物、蛋白质–配体复合物，以及抗体–抗原相互作用。原始研究报告称，在涵盖其中若干类型的基准测试中，其表现优于所选的专门方法。这些结果反映的是特定评估集上的性能，并不保证对每一种复合物都能准确预测。(nature.com)\n\n其架构用 Pairformer 替代了 AlphaFold 2 的主要 Evoformer 组件，并使用扩散模型，通过将含噪声的构型逐步转化为预测结构来生成原子坐标。这使不同类型的分子能够采用统一的处理方法，而不再将坐标生成局限于蛋白质链。(ebi.ac.uk)"
    },
    {
      "heading": "置信度与结果解读",
      "text": "AlphaFold 的预测结果包含置信度估计。对于 AlphaFold 2，预测局部距离差异检验评分（pLDDT）以 0 至 100 的数值表示局部结构的置信度。分数越高，意味着预期的局部准确性越高；低分则可能提示不确定区域或无序区域。仅凭较高的局部评分，不能确认两个蛋白质结构域或两条链之间的相对取向正确。(alphafold.ebi.ac.uk)\n\n预测对齐误差（PAE）以矩阵形式呈现，描述以模型的另一部分为基准进行对齐后，预期的位置误差。它有助于区分单个结构域内部的置信度与结构域之间相对排列的置信度。这些指标衡量的是预测结构的准确性，并非对生物学功能的直接实验验证。(ebi.ac.uk)"
    },
    {
      "heading": "数据库、获取方式与局限性",
      "text": "DeepMind 与欧洲分子生物学实验室欧洲生物信息学研究所（EMBL-EBI）于 2021 年 7 月 22 日推出了AlphaFold 蛋白质结构数据库，最初提供超过 35 万个预测结构。2022 年 7 月 28 日宣布的一次扩充，使其收录的预测结构超过 2 亿个。该资源提供预先计算好的模型，用户无需自行运行预测软件即可获取。(ebi.ac.uk)\n\n不同实现版本的获取和使用条件有所不同。AlphaFold 2 的代码已公开发布，而 AlphaFold 3 公布的模型参数使用条款则将所提供参数及相关输出的用途限定为指定的非商业用途。因此，代码是否公开与是否获准使用训练好的参数，是两个不同的问题。(deepmind.google)\n\nAlphaFold 无法全面描述构象动力学、折叠路径或环境影响。预测结构可以辅助实验结果的解读和研究规划，但不确定区域、分子背景信息的缺失以及替代构象，仍是重要的局限。结构预测能够加快实验研究进程，却不能取代对关键分子细节的验证。(ebi.ac.uk)"
    }
  ],
  "links": [
    "artificial-intelligence",
    "protein",
    "deep-learning",
    "amino-acid",
    "x-ray-crystallography",
    "cryo-electron-microscopy",
    "nuclear-magnetic-resonance",
    "protein-structure-prediction",
    "protein-folding",
    "critical-assessment-of-protein-structure-prediction",
    "artificial-neural-network",
    "nobel-prize-in-chemistry",
    "machine-learning",
    "training-data",
    "protein-data-bank",
    "multiple-sequence-alignment",
    "attention-mechanism",
    "nucleic-acid",
    "ion",
    "dna",
    "ligand",
    "antibody",
    "antigen",
    "diffusion-model",
    "matrix",
    "alphafold-protein-structure-database"
  ],
  "sources": [
    {
      "title": "ebi.ac.uk/training/online/courses/alphafold/",
      "url": "https://www.ebi.ac.uk/training/online/courses/alphafold/"
    },
    {
      "title": "nature.com/articles/s41586-021-03819-2",
      "url": "https://www.nature.com/articles/s41586-021-03819-2"
    },
    {
      "title": "ebi.ac.uk/training/online/courses/alphafold/an-introductory-guide-to-its-streng…",
      "url": "https://www.ebi.ac.uk/training/online/courses/alphafold/an-introductory-guide-to-its-strengths-and-limitations/what-is-the-protein-folding-problem/"
    },
    {
      "title": "nature.com/articles/s41586-019-1923-7",
      "url": "https://www.nature.com/articles/s41586-019-1923-7"
    },
    {
      "title": "nature.com/articles/s41586-024-07487-w",
      "url": "https://www.nature.com/articles/s41586-024-07487-w"
    },
    {
      "title": "ebi.ac.uk/training/online/courses/alphafold/alphafold-3-and-alphafold-server/in…",
      "url": "https://www.ebi.ac.uk/training/online/courses/alphafold/alphafold-3-and-alphafold-server/introducing-alphafold-3/how-does-alphafold-3-work/"
    },
    {
      "title": "alphafold.ebi.ac.uk/faq",
      "url": "https://www.alphafold.ebi.ac.uk/faq"
    },
    {
      "title": "ebi.ac.uk/training/online/courses/alphafold/inputs-and-outputs/evaluating-alpha…",
      "url": "https://www.ebi.ac.uk/training/online/courses/alphafold/inputs-and-outputs/evaluating-alphafolds-predicted-structures-using-confidence-scores/pae-a-measure-of-global-confidence-in-alphafold-predictions/"
    },
    {
      "title": "ebi.ac.uk/about/news/announcements/alphafold-database-launch/",
      "url": "https://www.ebi.ac.uk/about/news/announcements/alphafold-database-launch/"
    },
    {
      "title": "deepmind.google/science/alphafold/",
      "url": "https://deepmind.google/science/alphafold/"
    },
    {
      "title": "ebi.ac.uk/about/news/perspectives/alphafold-potential-impacts/",
      "url": "https://www.ebi.ac.uk/about/news/perspectives/alphafold-potential-impacts/"
    }
  ],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}